摘要:用KNN算法來進行數字識別,還是用sklearn自帶的digits數據集。 除了訓練那部分,代碼幾乎都是抄前文的??梢鑰吹接胹klearn庫非常方便。結果也很好,準確率98%。 KNN的準確率遠高于MLP分類器,原因是MLP在小數據集上容易過擬合。而且MLP對于參數調整比較敏感。 接下來是強化學習。 閱讀全文
posted @ 2020-03-06 11:09 自由民 閱讀 (59) 評論 (0) 編輯
摘要:手寫識別實例,用神經網絡實現。 手寫識別是一個多分類任務,共有10個分類,即0 9。 圖像識別是指利用計算機對圖像進行處理、分析和理解,以識別各種不同模式的目標和對象的技術。一般經歷文字識別,數字圖像處理與識別和物體識別。 用DBRHD數據集,在這里下載: //archive.ics.uc 閱讀全文
posted @ 2020-03-05 17:14 自由民 閱讀 (28) 評論 (0) 編輯
摘要:本文根據Jin Liang的《Getting Started with Machine Learning》ver 0.96而寫,基本上就是翻譯,但并不是逐字翻譯。 第一部分 機器學習基礎 01.概述 應用:自動駕駛,面部識別,垃圾郵件識別,信用卡欺詐識別,機器驗傷,銷售預測,語音識別,機器人。 深度 閱讀全文
posted @ 2020-03-04 19:25 自由民 閱讀 (74) 評論 (0) 編輯
摘要:嶺回歸 解決某些訓練樣本線性相關,導致回歸結果不穩定的情況。 它是一種用于共線性數據分析的有偏估計回歸方法。是一種改良的最小二乘估計法。 在sklearn中使用sklearn.linear_model.Ridge進行。 課程的實例是交通流量預測,我找不到數據文件,從網上自己找個例子吧。 用波士頓房價 閱讀全文
posted @ 2020-03-04 14:10 自由民 閱讀 (42) 評論 (0) 編輯
摘要:多項式回歸 研究一個或多個自變量與一個因變量間多項式的回歸分析方法。如果一個自變量,為一元多項式回歸。自變量為多個時,為多元多項式回歸。多項式回歸使用曲線擬合數據的輸入與輸出的映射關系。 實例,還是預測房價。 用sklearn.preprocessing.PolynomialFeatures函數。 閱讀全文
posted @ 2020-03-03 15:12 自由民 閱讀 (34) 評論 (0) 編輯
摘要:講有監督學習的線性回歸。 線性回歸是利用數理統計中的回歸分析,來確定兩種或兩種以上變量間相互依賴的定量關系的一種統計分析方法。 只有一個自變量的回歸稱簡單回歸,大于一個變量的情況稱多元回歸。 用途:預測、分析變量與因變量關系的強度。 實例:對房屋尺寸與房價進行線性回歸,預測房價。 分析:數據可視化, 閱讀全文
posted @ 2020-03-02 19:22 自由民 閱讀 (38) 評論 (0) 編輯
摘要:用分類算法進行上證指數漲跌預測。 根據今天以前的150個交易日的數據,預測今日股市漲跌。 交叉驗證的思想:將數據集D劃分為k個大小相似的互斥子集,每個子集都盡可能保持數據分布的一致性,即從D中通過分層抽樣來得到。然后,每次用k 1個子集的并集作為訓練集,余下的那個子集作為測試集。這樣可以獲得k組訓練 閱讀全文
posted @ 2020-03-01 16:32 自由民 閱讀 (47) 評論 (0) 編輯
摘要:有監督學習 常用分類算法 KNN:K近鄰分類器。通過計算待分類數據點,與已知數據中所有點的距離,取距離最小的前K個點,根據"少數服從多數"的原則,將這個數據點劃分為出現次數最多的那個類別。 在sklearn中,使用sklearn.neighbors.KNeighborsClassifier創建K鄰近 閱讀全文
posted @ 2020-02-29 22:03 自由民 閱讀 (121) 評論 (0) 編輯
摘要:聚類的實際應用,圖像分割。 利用圖像的特征將圖像分割為多個不相重疊的區域。 常用的方法有閾值分割,邊緣分割,直方圖法,特定理論(基于聚類,小波分析等)。 實例:利用k means聚類算法對圖像像素點顏色進行聚類以分割圖像。 輸出:同一聚類的點以相同顏色表示,不同聚類的像素點以不同的顏色表示。 用PI 閱讀全文
posted @ 2020-02-29 11:42 自由民 閱讀 (44) 評論 (0) 編輯
摘要:降維 PCA算法及其應用 主成分分析(PCA),通常用于高維數據的探索與可視化??梢園尉哂邢喙匭緣母呶淞孔咝暈薰氐牡臀淞?。稱為主成分,能夠盡可能保存原始數據的信息。 幾個概念 方差:樣本與樣本均值的差的平方和的均值,用來度量一組數據的分散程度。 協方差:用于度量兩個變量的線性相關程度。 特 閱讀全文
posted @ 2020-02-28 18:21 自由民 閱讀 (44) 評論 (0) 韩国快乐8开奖结果查询